論文の概要: Comparison of modern open-source visual SLAM approaches

• arxiv url: http://arxiv.org/abs/2108.01654v1
• Date: Tue, 3 Aug 2021 17:52:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-04 13:52:37.865807
• Title: Comparison of modern open-source visual SLAM approaches
• Title（参考訳）: 現代のオープンソースのビジュアルSLAM手法の比較
• Authors: Dinar Sharafutdinov, Mark Griguletskii, Pavel Kopanev, Mikhail Kurenkov, Gonzalo Ferrer, Aleksey Burkov, Aleksei Gonnochenko, Dzmitry Tsetserukou
• Abstract要約: 我々は,オープンソース手法の現状を比較分析する。 精度,計算性能,堅牢性,耐故障性に基づくアルゴリズムの評価を行った。 この研究の結果は、SLAM研究者にいくつかの重要な疑問を提起している。
• 参考スコア（独自算出の注目度）: 5.012544914943915
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: SLAM is one of the most fundamental areas of research in robotics and computer vision. State of the art solutions has advanced significantly in terms of accuracy and stability. Unfortunately, not all the approaches are available as open-source solutions and free to use. The results of some of them are difficult to reproduce, and there is a lack of comparison on common datasets. In our work, we make a comparative analysis of state of the art open-source methods. We assess the algorithms based on accuracy, computational performance, robustness, and fault tolerance. Moreover, we present a comparison of datasets as well as an analysis of algorithms from a practical point of view. The findings of the work raise several crucial questions for SLAM researchers.
• Abstract（参考訳）: SLAMはロボット工学とコンピュータビジョンにおける最も基本的な研究分野の1つである。 最先端のソリューションは精度と安定性の観点から大きく進歩している。 残念ながら、すべてのアプローチがオープンソースソリューションとして利用でき、無料で利用できるわけではない。 それらのいくつかの結果は再現が困難であり、共通のデータセットの比較が欠如している。 本研究では,最先端のオープンソース手法の比較分析を行う。 精度,計算性能,堅牢性,耐故障性に基づくアルゴリズムの評価を行った。 さらに,実践的な観点から,データセットの比較,およびアルゴリズムの分析について述べる。 この研究の結果は、SLAM研究者にいくつかの重要な疑問を提起している。

関連論文リスト

• Time-Series Forecasting in Smart Manufacturing Systems: An Experimental Evaluation of the State-of-the-art Algorithms [0.0]
  TSFは製造を含む様々な領域で成長している。 本研究の目的は、13の製造データセット上でのSoTA TSFアルゴリズムの評価により、このギャップを埋めることである。
  論文  参考訳（メタデータ） (2024-11-26T15:10:31Z)
• EVOLvE: Evaluating and Optimizing LLMs For Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• A Generalization Theory of Cross-Modality Distillation with Contrastive Learning [49.35244441141323]
  クロスモダリティ蒸留は、限られた知識を含むデータモダリティにとって重要なトピックである。 コントラスト学習に基づくクロスモーダルコントラスト蒸留(CMCD)の一般的な枠組みを定式化する。 我々のアルゴリズムは、様々なモダリティやタスクに対して、2-3%のマージンで既存のアルゴリズムを一貫して上回ります。
  論文  参考訳（メタデータ） (2024-05-06T11:05:13Z)
• Technical Report on BaumEvA Evolutionary Optimization Python-Library Testing [0.0]
  PythonライブラリのBaumEvAは、様々なタイプの問題を最適化するための進化的アルゴリズムを実装している。 テスト結果から, このライブラリは最適化問題の解決に有効な, 信頼性の高い方法であることがわかった。
  論文  参考訳（メタデータ） (2024-03-06T15:34:31Z)
• Multivariate Time Series Anomaly Detection: Fancy Algorithms and Flawed Evaluation Methodology [2.043517674271996]
  本稿では、MVTS異常検出の文脈において、正常によいプロトコルが弱点を持つ可能性について論じる。 本稿では,PCA(Principal Components Analysis)に基づくシンプルな,かつ難しいベースラインを提案する。このベースラインは,最近のDeep Learning(DL)ベースのアプローチにおいて,一般的なベンチマークデータセットよりも驚くほど優れています。
  論文  参考訳（メタデータ） (2023-08-24T20:24:12Z)
• GLUECons: A Generic Benchmark for Learning Under Constraints [102.78051169725455]
  本研究では,自然言語処理とコンピュータビジョンの分野における9つのタスクの集合であるベンチマークを作成する。 外部知識を制約としてモデル化し、各タスクの制約のソースを特定し、これらの制約を使用するさまざまなモデルを実装します。
  論文  参考訳（メタデータ） (2023-02-16T16:45:36Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• What Makes Good Contrastive Learning on Small-Scale Wearable-based Tasks? [59.51457877578138]
  本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。 本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
  論文  参考訳（メタデータ） (2022-02-12T06:10:15Z)
• Unsupervised Learning for Robust Fitting:A Reinforcement Learning Approach [25.851792661168698]
  堅牢なモデルフィッティングを解決するための新しいフレームワークを紹介します。 他の方法とは異なり、私たちの仕事は基本的な入力機能に無知です。 実験により,本手法が既存の学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-05T07:14:00Z)
• Comparative Analysis of Extreme Verification Latency Learning Algorithms [3.3439097577935213]
  本稿では、EVLアルゴリズムのいくつかの弱点と強みを指摘するための総合的な調査と比較分析を行う。 この研究は、この分野の既存のアルゴリズムのレビューを研究コミュニティに提供するための、非常に最初の取り組みである。
  論文  参考訳（メタデータ） (2020-11-26T16:34:56Z)
• A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
  本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。 我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。 我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
  論文  参考訳（メタデータ） (2020-11-17T22:24:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。